结合粗集和神经网络的图像识别模型

doi:10.3778/j.issn.1002-8331.2010.13.054

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (13): 181-184.DOI: 10.3778/j.issn.1002-8331.2010.13.054

• 图形、图像、模式识别 • 上一篇下一篇

结合粗集和神经网络的图像识别模型

朱颢东^1，2，3，钟勇^2，3

1.郑州轻工业学院计算机与通信工程学院，郑州 450002
2.中国科学院成都计算机应用研究所，成都 610041
3.中国科学院研究生院，北京 100039

收稿日期:2008-10-23 修回日期:2009-02-27 出版日期:2010-05-01 发布日期:2010-05-01
通讯作者: 朱颢东

Image recognition model combining rough set with neural network

ZHU Hao-dong^1，2，3，ZHONG Yong^2，3

1.College of Computer and Communication Engineering，Zhengzhou University of Light Industry，Zhengzhou 450002，China
2.Chengdu Institute of Computer Application，Chinese Academy of Sciences，Chengdu 610041，China
3.Graduate School of the Chinese Academy of Sciences，Beijing 100039，China

Received:2008-10-23 Revised:2009-02-27 Online:2010-05-01 Published:2010-05-01
Contact: ZHU Hao-dong

摘要/Abstract

摘要： 通过对粗集和神经网络在图像识别中的作用分析，以及对两者结合的可能性研究，将粗集和神经网络进行了有机结合，提出了一个基于粗集和神经网络的图像识别模型。该模型先对原始图像数据进行预处理，然后用粗集进行特征选择，减少了神经网络的输入维数，提高神经网络学习和识别速度，也提高了识别正确率。最后将该模型应用于手写体数字图像识别之中，实验结果表明，该模型是有效的、可行的。

关键词: 粗集, 神经网络, 图像识别

Abstract: Through analyzing effect of rough set and neural network in image recognition，and researching possibility of combination of both，this paper combines the rough set and neural networks effectively and proposes an image recognition model based on rough set and neural network.The model firstly preprocesses original data of image，then selects features by means of rough set，so it decreases the input dimension of the neural networks and enhances the speed of neural networks studying and distinguishing，and also improves identification rightness rate.Finally，the model is applied to the image of script number classification.The result shows that the method is effective and feasible.

Key words: rough set, neural network, image recognition

中图分类号:

TP301.6

朱颢东^1，2，3，钟勇^2，3. 结合粗集和神经网络的图像识别模型[J]. 计算机工程与应用, 2010, 46(13): 181-184.

ZHU Hao-dong^1，2，3，ZHONG Yong^2，3. Image recognition model combining rough set with neural network[J]. Computer Engineering and Applications, 2010, 46(13): 181-184.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[14]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.
[15]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.

结合粗集和神经网络的图像识别模型

Image recognition model combining rough set with neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics